知道自己不知道的概率电路

Feb, 2023

Probabilistic Circuits That Know What They Don't Know

Fabrizio Ventola, Steven Braun, Zhongjie Yu, Martin Mundt, Kristian Kersting

TL;DR本文研究了概率电路（PCs）的鲁棒性，并发现它们对于 OOD 数据并不鲁棒。为了解决这个问题，我们提出了一种可解释的辍学推理（TDI）方法，并通过一系列实验证明了其提高 PCs 对于分布变化和 OOD 数据的鲁棒性的性能。

Abstract

probabilistic circuits (PCs) are models that allow exact and tractable probabilistic inference. In contrast to neural networks, they are often assumed to be well-calibrated and robust to out-of-distribution (OOD) data. In this paper, we show that PCs are in fact not robust to

probabilistic circuits ood data tractable dropout inference uncertainty quantification robustness

发现论文，激发创造

概率神经电路

概率电路（PC）在最近几年中越来越受关注，作为一个灵活的框架，用于讨论支持可处理查询且足够表达复杂概率分布的概率模型。然而，可处理性是以牺牲表达力为代价的：PC 相较于神经网络来说表达能力较弱。在本文中，我们引入了概率神经电路（PNC），它在可处理性和表达能力方面在 PC 和神经网络之间取得平衡。从理论上讲，我们证明了 PNC 可以被解释为贝叶斯网络的深度混合。实验证明，PNC 是强大的函数逼近器。

Mar, 2024

可处理电路模型的组合概率和因果推断

介绍了一种新的结构形式 md-vtrees 来描述可分解概率电路中的决策概率，并展示了如何将其用于派生多项式时间算法，特别是在因果推理查询中。同时，提出了基于该结构的 MDNets 概率电路架构，并在因果推理中进行了实验验证。

Apr, 2023

特征电路

在复杂关系数据中，用概率电路的特点电路模型构建高维概率分布，弥补了复杂数据上的不确定性推理中的局限性，进而提出了特征电路作为一种适用于异构数据的可追溯概率模型。

Dec, 2023

从深度生成模型到可处理概率电路的精馏过程理解

通过对深度生成模型知识的蒸馏，提出了新的 P-VAE 方法，该方法可以有效地提高准确性，并允许更广泛的应用，我们的结果表明，在几个基准图像数据集上，该方法比基准模型表现更好，特别是在 ImageNet32 数据集上，它取得了 4.06 位每维的结果，仅比变分扩散模型慢 0.34 位。

Feb, 2023

使用潜在变量蒸馏扩展概率电路

通过潜变量精炼机制在深度生成模型和 Probabilistic Circuits 之间建立联系，提高了 PCs 在大型和高维现实世界数据集上的性能表现，使其在图像建模中达到了与 VARIATIONAL AUTOENCODERS 和 FLOW-BASED MODELS 相当的竞争力，为可处理的生成建模开辟了新的途径。

Oct, 2022

概率电路的人类联合学习的统一框架

基于概率电路，借助领域知识进行参数学习的新型统一框架，能够有效高效地优化数据驱动学习方法，并在多个基准和真实数据集上取得优异性能。

May, 2024

通过凸优化实现具有约束条件的概率电路

该研究通过将概率命题逻辑约束集成到概率电路所编码的分布中，提出了一种有效的方法来改善模型在数据稀缺或不完整情况下的性能，并在不损害模型适应性的同时，将机器学习公平性度量应用到模型中。

Mar, 2024

通过修剪和生长来实现稀疏概率电路

使用剪枝和增长方法，可以大幅提高概率电路的学习性能和模型容量使用效率。

Nov, 2022

从概率电路中推导可理解的理论

本文提出了一种名为 PUTPUT（通过修剪基本逻辑理论进行概率电路理解）的方法，通过计算可理解的、可读的逻辑理论来改进概率电路的可解释性，并应用于一个真实的使用案例，即自动生成音乐播放列表并将其表示为可读（数据库）查询。评估结果表明，该方法能够有效地生成描述概率电路高密度区域的可理解的逻辑理论，并在性能和可理解性权衡方面优于现有方法。

Nov, 2023

软学习概率电路

PC 模型是具有范围完全推理能力的显著可计算的概率模型，该论文主要关注用于训练 PC 模型的主要算法 LearnSPN，我们提出了一种名为 SoftLearn 的新的学习过程，通过软聚类过程诱导出一个 PC 模型，实验证明 SoftLearn 在许多情况下优于 LearnSPN，产生更好的似然和样本，我们还分析了可比较的可计算模型来突显软 / 硬学习和模型查询之间的差异。

Mar, 2024